Unternehmen stürzen sich auf ChatGPT und andere große Sprachmodelle, aber Fehler, die jetzt gemacht werden, könnten später bitter bereut werden. Um strategisch vorzugehen, müssen Führungskräfte aufhören, generative KI als ein neues Werkzeug zu betrachten, sondern sie als eine Revolution begreifen, die jeden Aspekt unseres Lebens und Arbeitens berühren wird. Unternehmen, die sich auf die Jagd nach dem nächsten großen Ding in der generativen KI gemacht haben, gingen davon aus, dass es aufgrund seiner Benutzerfreundlichkeit auch leicht zu implementieren sein würde. Das hat sich als nicht zutreffend erwiesen
Der Einsatz generativer KI aus strategischen Gründen, selbst bei einfachen Anwendungen, hat sich bisher als ressourcen- und fähigkeitsaufwändig erwiesen. Die Berücksichtigung von Datensicherheit, unternehmensspezifischer Funktionalität und eines winzigen globalen Talentpools hat dazu geführt, dass bislang nur die großen Unternehmen in der Lage waren, sinnvolle Pilotprogramme zu starten, die über einfache Anwendungsfälle hinausgehen (und diese Anwendungsfälle schaffen keine wesentliche Differenzierung gegenüber der Konkurrenz). Das ist das genaue Gegenteil der Zukunft, die die Technologie zu versprechen schien.
Da die Eintrittsbarriere für generative KI höher ist als erwartet, ist es für Unternehmen umso wichtiger, eine Strategie zu entwickeln, um ihr Potenzial zu maximieren und gleichzeitig keine wertvollen Ressourcen zu verschwenden. Diese Strategie muss die Vorteile nutzen, die generative KI heute bietet, aber auch berücksichtigen, was sie in Zukunft bieten könnte. Auf den Zug aufzuspringen, um sich kurzfristige Vorteile zu sichern, könnte zu unbeabsichtigten Folgen und langfristigen Kosten führen.
Eine strategische Einschätzung kann schwierig sein, da das Ausmaß des Umbruchs unsere Vorstellungskraft übersteigen könnte. Hier sind vier strategische Schritte, die Führungskräfte unternehmen sollten, um ihre generative KI-Strategie zu definieren und zukunftssicher zu machen.
Unternehmensressourcen auf die Nutzung generativer KI zur Schaffung von Wettbewerbsvorteilen konzentrieren
Wenn es darum geht, in technische Ressourcen zu investieren, sollten Unternehmen die Vorteile der Zunahme von Plug-and-Play-Lösungen von Drittanbietern wie CoPilot und ChatGPT nutzen, die weniger Aufwand erfordern. Bei der Implementierung interner Lösungen, die erhebliche Ressourcen und Fähigkeiten erfordern können, sollten sich Unternehmen auf generative KI-Maßnahmen konzentrieren, die das Potenzial haben, Wettbewerbsvorteile zu schaffen.
Unternehmen können dies entweder durch „generative KI-Einhörner“ tun – Lösungen, die neue Quellen für Wettbewerbsvorteile schaffen, wie z. B. inverses Design für die Arzneimittelentdeckung in Pharmaunternehmen – oder durch die Anwendung generativer KI, um eine ganze Funktion – wie z. B. Marketing oder Kundendienst – umzugestalten und ihre Produktivität zu verbessern. Die Schaffung von Wettbewerbsvorteilen ist oft mit der Maximierung des Werts der unternehmenseigenen Daten verbunden.
Eine von BCG untersuchte regionale Bank hat genau das getan. Nachdem die Bank festgestellt hatte, dass handelsübliche Produkte nicht die gewünschte Funktionalität, Datensicherheit oder Modellgenauigkeit aufwiesen, traf sie die strategische Entscheidung, in die Entwicklung eines eigenen Tools zu investieren, um detaillierte Informationen aus ihren geschützten Finanzdokumenten zu extrahieren. Die Bank setzte eine Kombination aus internen Mitarbeitern und externen Ressourcen ein und versuchte gleichzeitig, die Anzahl der benötigten Datenwissenschaftler zu minimieren, da Personen mit einer entsprechenden Ausbildung in generativer KI nur sehr schwer zu finden sind. Für das Training des Modells wurden KI-Produkte von Drittanbietern für die Datenauszeichnung eingesetzt, und schließlich wurden einige engagierte Datenwissenschaftler benötigt, um den gesamten Lebenszyklus des neuen Produkts zu verwalten. Die selbst entwickelte Lösung liefert neue, kosteneffiziente Erkenntnisse, die es den Bankmitarbeitern ermöglichen, schneller bessere Entscheidungen über die Kreditanträge ihrer Kunden zu treffen und gleichzeitig die Zahl der Kreditausfälle zu minimieren.
Bauen Sie eine zentralisierte Datenstrategie auf
Bevor ein Unternehmen eine generative KI-Strategie entwickeln kann, muss es zunächst eine Datenstrategie haben. Als ein führendes Unternehmen der schnelllebigen Konsumgüterindustrie mit der Umstellung auf KI begann, lagen 80 % der unternehmenseigenen Kundendaten nicht einmal in digitaler Form vor, sodass eine mühsame, monatelange Datenausgrabung erforderlich war, um Ausdrucke jahrelanger Zahlungsaufzeichnungen zu finden und zu digitalisieren. Der Wert und die Bedeutung solcher qualitativ hochwertigen Daten wird immer größer. Immer mehr Forschungsliteratur deutet darauf hin, dass saubere, sorgfältig ausgewählte Daten, selbst bei kleineren Modellen wie Falcon und BloombergGPT, größere Modelle, die auf der Grundlage von Internetdaten trainiert wurden, übertreffen können.
Der Vormarsch der generativen KI hat deutlich gemacht, dass eine zentrale, unternehmensweite Strategie für die Sammlung und Verwaltung von Daten unerlässlich ist. Generative KI kann die Datenauswertung unterstützen und Unternehmen programmatisch dabei helfen, große und unstrukturierte Datensätze zu bereinigen. Führungskräfte sollten der Erstellung dieser zentralisierten Datensätze Priorität einräumen und mit Datenwissenschaftlern zusammenarbeiten, um neue und kreative Daten zur Feinabstimmung generativer KI-Modelle zu finden. Wo es Lücken in den Daten gibt, kann die generative KI synthetische Daten erzeugen, die Unternehmen bei der Erforschung neuartiger Datensätze helfen können.
Ein Vorteil einer Datenstrategie mit zentralisierten Datensätzen ist ihre Anpassungsfähigkeit. Basisversionen von LLMs (Large Learning Models)- wie LLaMA, das von Meta AI im Februar veröffentlicht wurde, oder Falcon LLM, das vom Technology Innovation Institute im Mai veröffentlicht wurde – können für verschiedene Anwendungsfälle wiederverwendet werden. Unternehmen müssen jedoch die spezifischen Lizenzen für solche Modelle berücksichtigen. LLaMA, ein hochwertiges Open-Source-Basismodell, wird unter einer nicht-kommerziellen Lizenz veröffentlicht, während Falcon LLM, das derzeit die offene LLM-Rangliste von Hugging Face anführt, auch in kommerziellen Anwendungsfällen eingesetzt werden kann.
Um das Potenzial der Daten zu maximieren, sollten Unternehmen zu einem Shared-Services-Modell übergehen, das von einem einzigen Team verwaltet wird, da nur eine Handvoll LLMs in einem Unternehmen benötigt werden. Der Zugriff auf zentral verwaltete LLMs ermöglicht es Unternehmen außerdem, in einer kontrollierten und sicheren Umgebung Werte aus Mitarbeiterexperimenten zu ziehen. Das Pharmaunternehmen Merck kündigte kürzlich die Einführung eines internen LLM-Tools namens myGPT an, mit dem alle Mitarbeiter in einer sicheren Umgebung direkt mit den Daten des Unternehmens experimentieren können, was die Wahrscheinlichkeit erhöht, dass sie Anwendungsfälle mit hoher Wirkung für das Unternehmen entdecken.
Behandeln Sie die Auswahl von LLM wie die Auswahl von strategischen Partnern
Angesichts der Tatsache, dass ein einzelnes oder eine kleine Handvoll von LLMs für eine Vielzahl von Zwecken eingesetzt werden kann, ist die Wahl des richtigen LLMs eine wichtige Entscheidung. Führungskräfte müssen sich zwar nicht intensiv mit der technischen Bewertung der einzelnen LLMs befassen, aber sie müssen die umfassenderen Auswirkungen verstehen und beispielsweise erkennen, dass die Wahl eines LLMs auch eine Auswahl zwischen strategischen Partnerschaften ist. Bei der Auswahl eines LLM-Anbieters für einen bestimmten Anwendungsfall gibt es drei strategische Faktoren, die den Entscheidungsprozess leiten sollten.
Grad der erforderlichen Vertraulichkeit der Daten.
LLMs werden oft fein abgestimmt, indem verschlüsselte Daten zu einem öffentlichen Cloud-Mieter transportiert werden, der vom Anbieter betrieben wird, und dann zur Verarbeitung im LLM entschlüsselt werden. Führungskräfte müssen die Optionen, die ein LLM-Anbieter für die Datensicherheit in öffentlichen, sicher verwalteten, hybriden oder vollständig privaten Umgebungen anbietet, sorgfältig bewerten und bestimmen, was den Datensicherheitsanforderungen des Unternehmens entspricht.
Interne Ressourcen, die für die Implementierung erforderlich sind.
Vollständig private Implementierungen sind die ressourcenintensivste Option und erfordern neben Betriebsingenieuren und IT-Fachleuten oft ein Team mit modernstem Fachwissen, um eine qualitativ hochwertige Lösung zu entwickeln und diese dann kontinuierlich zu verwalten und zu aktualisieren. Es gibt nur schätzungsweise ein paar tausend Menschen in den USA, die in der Lage sind, ein vollständig maßgeschneidertes generatives KI-Modell zu erstellen. Die Anpassung eines Modells in einer Cloud-Umgebung erfordert dagegen weit weniger: eine Handvoll Vollzeit-Datenwissenschaftler oder Ingenieure für maschinelles Lernen. Diese Art von Modell wird in der Regel vollständig vom LLM-Anbieter verwaltet und automatisch aktualisiert, was auch die Fähigkeit eines Unternehmens einschränkt, das Modell an seine sich entwickelnden Bedürfnisse anzupassen.
Auswirkungen auf die Kundenbindung.
In einem kürzlich erschienenen Artikel hat BCG die verschiedenen Optionen von Unternehmen für den Aufbau generativer KI-Anwendungen und die Auswirkungen auf die Kundenbindung untersucht. Die Entscheidung, kundenorientierte Dienste in eine LLM-Plattform eines Drittanbieters, wie ChatGPT, zu integrieren, könnte die Gefahr einer Kommodifizierung durch Vermittlung mit sich bringen und die direkte Kundenbindung verringern. Der Aufbau eines internen, kundenorientierten Chatbots mit Open Source könnte diese Fallstricke vermeiden, riskiert aber, den Anschluss zu verpassen, wenn die LLM-Plattform eines Drittanbieters zu einer beliebten Quelle für Kundenkontakt und Verkauf wird.
Experimentieren Sie damit, die Zukunft der strategischen Personalplanung vorherzusagen.
In der Welt der generativen KI müssen Führungskräfte proaktive und agile Ansätze für die Personalplanung entwickeln, die die aktuelle Übernahme neuer Technologien mit ihrer prognostizierten Entwicklung in Einklang bringen. Eine kürzlich durchgeführte MIT-Forschungsstudie über die Auswirkungen generativer KI auf die Produktivität ergab, dass der Einsatz generativer KI bei Schreibaufgaben nicht nur die Produktivität der damit betrauten Mitarbeiter steigerte und ihren Zeitaufwand um mehr als ein Drittel verringerte, sondern auch ihre Arbeitsweise veränderte – und wie sie sich bei dieser Arbeit fühlten. Unternehmen sollten sofort damit beginnen, mit generativen KI-Produkten in ihrem Unternehmen zu experimentieren, um besser zu verstehen, wie sich die Einführung kurzfristig auf die Mitarbeiter auswirken wird, was wertvolle Daten für längerfristige Prognosen liefert.
Die Produktivität sollte jedoch nicht der einzige Fokus der Führungskräfte sein. Unternehmen müssen nicht nur die Technologie, sondern auch den menschlichen Teil der Gleichung und die Beziehung zwischen Mitarbeitern und generativer KI managen. Diese Veränderungen werden von den Unternehmen verlangen, ein neues Gleichgewicht zwischen Mitarbeitern und KI zu finden. Es ist allgemein anerkannt, dass eine Fähigkeit, die wir nicht mehr ausüben, wie z. B. kreatives Denken, selbst verkümmert. Für jede Führungskraft erfordert die Beantwortung dieser Fragen Experimente und ein breit gefächertes, kritisches Denken.
Wie werden Nachwuchskräfte die Fähigkeiten erlernen, die notwendig sind, um eines Tages die KI zu beaufsichtigen, wenn Mitarbeiter der Einstiegsebene nicht mehr mit den alltäglichen Aufgaben (die jetzt der KI übertragen werden) betraut werden, die ein Projekt ausmachen? Wo werden die Instinkte für die Arbeit ohne eine traditionelle organisatorische Lernkurve entwickelt werden? Wie wird sich all dies auf die berufliche Identität der Mitarbeiter auswirken? Und wie wird sich dies auf die Beziehung zwischen Menschen und KI und auf die Produktion als Kombination auswirken? Diese Fragen, auf die es noch keine Antworten gibt, werden bestimmen, wie die künftige Belegschaft eines Unternehmens aussehen und wie es arbeiten wird: welche Arten von Mitarbeitern in welcher Anzahl eingestellt werden müssen und – ganz entscheidend – wie Unternehmen Programme zur Höherqualifizierung und Umschulung gestalten und durchführen.
Führungskräfte sollten laufend prognostizieren, wie das Arbeitspaar – generative KI und menschliche Mitarbeiter – in sechs Monaten bis zwei Jahren aussehen könnte. Neben internen Experimenten ist Metaculus, eine Online-Vorhersage- und Aggregationsmaschine, die mehrere Prognosen aggregiert und gewichtet, eine Form der Personalprognose. Ziel dieser Prognosen ist es nicht, die Zukunft genau vorherzusagen, sondern Erkenntnisse darüber zu gewinnen, wie die Personalressourcen zu priorisieren sind und welche Leitplanken sowohl die Experimentierfreudigkeit der Mitarbeiter fördern als auch das Unternehmen und seine Humanressourcen vorbereiten.
Schlussfolgerung
Für Unternehmen ist es unerlässlich, eine zukunftssichere KI-Strategie zu entwickeln, bevor sie sich auf den Markt begeben, sei es jetzt oder in Zukunft. Um strategisch vorgehen zu können, müssen Führungskräfte aufhören, generative KI als ein neues Werkzeug zu betrachten, sondern sie als eine Revolution begreifen, die jeden Aspekt unserer Lebens- und Arbeitsweise beeinflussen wird. Selbst die klügsten Führungskräfte können die Zukunft nicht vorhersehen, aber sie müssen jetzt damit beginnen, sich auf das vorzubereiten, was sie bringen wird.
Adaptiv übersetzter Artikel von BCG, der am 7.7.23 in der Fortune veröffentlicht wurde https://fortune-com.cdn.ampproject.org/c/s/fortune.com/2023/07/07/generative-ai-strategy-4-things-executives-should-do-bcg/amp/
Für Projektleiter der FMCG-Markenartikelindustrie zur „Einführung von ChatGPT in die Unternehmensprozesse“ bieten wir im August einen Expertenzirkel an zum gegenseitigen Wissens- und Erfahrungsaustausch https://www.braintrust-group.de/expertenzirkel/chatgpt/